CN112614337B - 一种多源数据驱动的快速路入口匝道智能控制方法 - Google Patents

Abstract

本发明公开了一种多源数据驱动的快速路入口匝道智能控制方法，克服现有技术的设备无法全面覆盖、故障率高且后期维护成本高的问题，包括主线理想运行速度标定、短时交通流预测、匝道信号灯开启/关闭判定、匝道允许汇入率调节和匝道信号控制方案生成五个步骤。本发明提供了一种融合利用传统检测设备和互联网数据的单匝道智能控制方法同时考虑了匝道无需使用信号控制的情况，使得控制算法整体达到良好的控制效果，从而保证快速路主线运行在最佳状态附近，在快速路上维持一个既不间断也不拥挤的稳态交通流，提高了普适性，避免了匝道排队溢出现象。

Description

一种多源数据驱动的快速路入口匝道智能控制方法

技术领域

本发明涉及城市交通控制技术领域，尤其是涉及一种多源数据驱动的快速路入口匝道智能控制方法。

背景技术

城市快速路作为城市道路的主动脉，对出行者具有巨大的吸引力，是城市内交通出行的首要选择。但目前城市快速路所面临的过饱和交通流量状况，使得研究如何有效缓解城市快速路的交通拥堵变得刻不容缓。匝道控制作为城市快速路主动管控的主要手段之一，以快速路主线道路的交通流为优先，对汇入主线的车辆进行调节与控制，以确保主线道路畅通，从而实现快速路主线道路交通流的平稳有序。

经典的匝道控制ALINEA算法以主线占有率为控制参数，其目的是使主线占有率维持在期望占有率附近。然而在实际的控制过程中，占有率的测定受到车辆长度和检测线圈长度等因素的影响，占有率的准确测定受到限制。ALINEA的扩展算法UP-ALINEA、AD-ALINEA等为了在实际应用中数据收集的便利，大多数算法以主线流量作为控制参数，使主线交通流量保持在期望值附近。但是，根据交通流理论，相同路段在同一交通流量条件下，交通状态具有非唯一性，因此，以主线流量为控制参数的算法具有潜在的缺陷。此外，虽然大量检测设备可以实现对实时交通状态的感知，但设备不可能全面覆盖，且存在故障率高、后期维护成本高等问题。

例如，一种在中国专利文献上公开的“一种支持单点及全局控制的匝道控制系统”，其公告号CN109615861A，每个匝道处均设有匝道控制主机、视频分析主机及信号机，视频分析主机分析监控视频，获得相关的交通参数，匝道控制主机获取当前的交通参数，同时将本匝道的交通参数分发给相邻匝道的匝道控制主机，并获取其他匝道的交通参数，匝道控制主机获取当前信号指示周期和相位信息，并进行控制策略分析，然后向信号机发出控制信号，信号灯根据信号机发出的信息进行信号显示。该方案根据当前主线占有率以及匝道排队情况进行最佳配置，但以主线流量为控制参数的算法具有潜在的缺陷，设备不可能全面覆盖，且存在故障率高、后期维护成本高。

发明内容

本发明是为了克服现有技术的设备无法全面覆盖、故障率高且后期维护成本高的问题，提供一种多源数据驱动的快速路入口匝道智能控制方法，同时考虑了匝道无需使用信号控制的情况，使得控制算法整体达到良好的控制效果，从而保证快速路主线运行在最佳状态附近，在快速路上维持一个既不间断也不拥挤的稳态交通流。

为了实现上述目的，本发明采用以下技术方案：

一种多源数据驱动的快速路入口匝道智能控制方法，包括以下步骤：

S1、主线理想运行速度标定：选取来源于传统检测设备和互联网平台的历史数据进行融合分析，利用流量Q和速度V数据绘制Q—V散点图，得出不同天气场景下全天分时段的主线理想运行速度；

S2、短时交通流预测：利用短时交通流预测方法获取未来一定时间间隔内的主线和匝道位置的流量、速度数据；

S3、匝道信号灯开启/关闭判定：依据主线和匝道的运行状态和通行需求智能判定匝道信号灯状态；

S4、匝道允许汇入率调节：利用速度、流量数据的短时预测结果，实现主线、匝道未来运行状态的感知，合理平衡主线与匝道通行需求，不断迭代智能调节匝道允许汇入率；

S5、匝道信号控制方案生成：根据匝道允许汇入率的迭代调整智能计算匝道信号控制方案。

本发明提供了一种融合利用传统检测设备和互联网数据的单匝道智能控制方法，同时考虑了匝道无需使用信号控制的情况，使得控制算法整体达到良好的控制效果，从而保证快速路主线运行在最佳状态附近，在快速路上维持一个既不间断也不拥挤的稳态交通流。

作为优选，在S1中，所述的流量数据来源是传统的车辆检测设备数据，包括卡口、电子警察；所述的速度数据来源为互联网平台，包括城市交通大脑平台；所述的天气数据来源是互联网平台，可以划分为包括晴天、阴天、雨天、雾天、雪天在内的场景；所述的主线理想运行速度的获取方法为当主线流量取最大极值时，对应的速度数值为主线理想运行速度。

作为优选，S2中所述短时交通流预测的方法包括二次指数平滑法和自回归移动平均法；所述的未来一定时间间隔与匝道信号控制方案的更新频率相同。

作为优选，S3中匝道信号灯开启的判定条件如下：

S31、匝道信号灯当前状态为“关闭”；

S32、主线运行速度预测值<主线理想运行速度×信号灯开启阈值(速度)，信号灯开启阈值(速度)默认为“0.8”；

S33、匝道周期流量预测值>信号灯开启阈值(流量)，信号灯开启阈值(流量)默认为“20”；

S3中匝道信号灯关闭的判定条件如下：

S34、匝道信号灯当前状态为“开启”；

S35、主线运行速度预测值>主线理想运行速度×信号灯关闭阈值(速度)，信号灯关闭阈值(速度)默认为“1.1”；

S36、匝道信号灯控制方案连续三次绿信比＞信号灯关闭阈值(绿信比)，信号灯关闭阈值(绿信比)默认值为“0.7”。

作为优选，所述S4包括以下步骤：

S41、匝道排队车辆数目推算；

其中，L_n和L_n-1为本周期、上周期匝道排队车辆数目；Q_n-1为上周期匝道过车流量；T_g为上周期匝道有效绿灯时间；h为匝道车头时距；

S42、匝道溢出风险系数计算；

其中，μ为本周期匝道溢出风险系数；L_n为本周期匝道排队车辆数目；T_g为上周期匝道有效绿灯时间；h为匝道车头时距；

S43、匝道汇入率调整量计算；

其中，Δr(t)为当前控制间隔内的匝道汇入率调整量；k₁和k₂为主线和匝道的调整系数；V为主线运行速度预测值；V_ideal为主线理想运行速度；μ为本周期匝道溢出风险系数；

S44、匝道允许汇入率计算；

r(t)＝r(t-1)+Δr(t)；

其中，r(t)为当前控制间隔内的匝道允许汇入率；r(t-1)为上一控制间隔内的匝道允许汇入率；Δr(t)为当前控制间隔内的匝道汇入率调整量。

作为优选，所述S5包括以下步骤：

S51、匝道信号控制方案绿灯时长计算；

S52、匝道信号控制方案周期时长计算；

S53、匝道信号控制方案红灯时长计算。

作为优选，S51中计算公式为

G＝m×h；

其中，G为匝道信号控制方案的绿灯时长；m为匝道单周期允许通行车辆数；h为匝道车头时距。

作为优选，S52计算公式为

其中，C为匝道信号控制方案的周期时长；m为匝道单周期允许通行车辆数，r(t)为当前控制间隔内的匝道允许汇入率。

作为优选，S53计算公式为

R＝C-G-Y；

其中，C为匝道信号控制方案的周期时长；G为匝道信号控制方案的绿灯时长；Y为匝道信号控制方案的黄灯时长。

因此，本发明具有如下有益效果：

1.本发明算法结合传统检测设备数据和互联网数据，丰富了数据维度，解决了单一数据源故障率高的问题，同时减少了对实体检测设备的依赖，当传统检测设备缺失时，可根据专家经验静态配置主线理想速度和匝道溢出风险系数，算法普适性得到提高；

2.本发明算法考虑了当主线交通需求不大时无需对匝道汇入进行控制，通过交通流量趋势分析和高绿信比等指标智能判定匝道信号灯状态，实现匝道信号智能开关灯的应用；

3.本发明算法对于匝道允许汇入率的调节充分考虑了主线和匝道交通需求的平衡，避免了传统控制方法重主线、轻匝道而导致的匝道排队溢出现象。

附图说明

图1是本发明的流程图。

图2是主线理想运行速度获取示意图。

图3是速度数据短时预测示意图。

图4是匝道允许汇入率动态变动示意图。

具体实施方式

下面结合附图与具体实施方式对本发明做进一步的描述。

实施例1：

本实施例提供了一种多源数据驱动的快速路入口匝道智能控制方法，包括以下步骤：

S1、主线理想运行速度标定：选取来源于传统检测设备和互联网平台的历史数据进行融合分析，利用流量Q和速度V数据绘制Q—V散点图，得出不同天气场景下全天分时段的主线理想运行速度；

S2、短时交通流预测：利用短时交通流预测方法获取未来一定时间间隔内的主线和匝道位置的流量、速度数据；

S3、匝道信号灯开启/关闭判定：依据主线和匝道的运行状态和通行需求智能判定匝道信号灯状态；

S4、匝道允许汇入率调节：利用速度、流量数据的短时预测结果，实现主线、匝道未来运行状态的感知，合理平衡主线与匝道通行需求，不断迭代智能调节匝道允许汇入率；

S5、匝道信号控制方案生成：根据匝道允许汇入率的迭代调整智能计算匝道信号控制方案。

实施例2：

本实施例提供了一种多源数据驱动的快速路入口匝道智能控制方法，如图1-4所示，包括以下步骤：

S1、主线理想运行速度标定：选取来源于传统检测设备和互联网平台的历史数据进行融合分析，利用流量Q和速度V数据绘制Q—V散点图，得出不同天气场景下全天分时段的主线理想运行速度。

所述的流量数据来源是传统的车辆检测设备数据，例如卡口、电子警察等；

所述的速度数据来源是互联网平台，例如城市交通大脑平台等；

所述的天气数据来源是互联网平台，可以划分为晴天、阴天、雨天、雾天、雪天等场景；如图2所示，所述的主线理想运行速度的获取方法为，当主线流量取最大极值时，对应的速度数值为主线理想运行速度。车辆保持在理想速度附近运行时，主线的通行流量达到最大，通行效率最高。

S2、短时交通流预测：利用短时交通流预测方法获取未来一定时间间隔内的主线和匝道位置的流量、速度数据。

所述的短时交通流预测的方法，可选用二次指数平滑法、自回归移动平均法等；

所述的未来一定时间间隔与匝道信号控制方案的更新频率相同。

如图3所示，t1为预测速度，t2为实际速度，由于数据不可避免的存在延迟现象，且互联网数据为一段时间内的平均结果，而信号控制的下发影响的是未来一段时间的交通运行，因此有必要通过短时交通流预测获取未来一段时间内的速度、流量数据。

S3、匝道信号灯开启/关闭判定：依据主线和匝道的运行状态和通行需求智能判定匝道信号灯状态。

所述的匝道信号灯开启的判定条件如下：

S31、匝道信号灯当前状态为“关闭”；

S32、主线运行速度预测值<主线理想运行速度×信号灯开启阈值(速度)，信号灯开启阈值(速度)默认为“0.8”；

S33、匝道周期流量预测值>信号灯开启阈值(流量)，信号灯开启阈值(流量)默认为“20”。

所述的匝道信号灯关闭的判定条件如下：

S34、匝道信号灯当前状态为“开启”；

S35、主线运行速度预测值>主线理想运行速度×信号灯关闭阈值(速度)，信号灯关闭阈值(速度)默认为“1.1”；

S36、匝道信号灯控制方案连续三次绿信比＞信号灯关闭阈值(绿信比)，信号灯关闭阈值(绿信比)默认值为“0.7”。

在交通需求不大的情况下，入口匝道控制不仅不能明显改善主线交通，反而大大增加了匝道上的延误。因此，当交通需求较低时，将匝道信号灯关闭，不对汇入主线的车辆进行控制。

S4、匝道允许汇入率调节：利用速度、流量数据的短时预测结果，实现主线、匝道未来运行状态的感知，合理平衡主线与匝道通行需求，不断迭代智能调节匝道允许汇入率。

S41、匝道排队车辆数目推算

其中，L_n和L_n-1为本周期、上周期匝道排队车辆数目；Q_n-1为上周期匝道过车流量；T_g为上周期匝道有效绿灯时间；h为匝道车头时距；

S41中采用递归的方式推算各个周期的排队车辆数目，初始状态L₀默认为“0”；

S42、匝道溢出风险系数计算

其中，μ为本周期匝道溢出风险系数；L_n为本周期匝道排队车辆数目；T_g为上周期匝道有效绿灯时间；h为匝道车头时距；

S43、匝道汇入率调整量计算

其中，Δr(t)为当前控制间隔内的匝道汇入率调整量；k₁和k₂为主线和匝道的调整系数；V为主线运行速度预测值；V_ideal为主线理想运行速度；μ为本周期匝道溢出风险系数；

S44、匝道允许汇入率计算

r(t)＝r(t-1)+Δr(t)；

其中，r(t)为当前控制间隔内的匝道允许汇入率；r(t-1)为上一控制间隔内的匝道允许汇入率；Δr(t)为当前控制间隔内的匝道汇入率调整量；

S44公式中采用递归的方式推算各个控制间隔内的匝道允许汇入率，初始状态r(0)默认为“1000”。

如图4所示，v1为匝道允许汇入率，v2为主线速度，当匝道信号灯开启后，入口匝道允许汇入率会根据主线、匝道的交通运行状况进行优化，动态平衡主线与匝道的通行需求。

S5、匝道信号控制方案生成：根据匝道允许汇入率的迭代调整智能计算匝道信号控制方案。

S51、匝道信号控制方案绿灯时长计算

G＝m×h；

其中，G为匝道信号控制方案的绿灯时长；m为匝道单周期允许通行车辆数；h为匝道车头时距；

S52、匝道信号控制方案周期时长计算

其中，C为匝道信号控制方案的周期时长；m为匝道单周期允许通行车辆数，r(t)为当前控制间隔内的匝道允许汇入率；

S53、匝道信号控制方案红灯时长计算

R＝C-G-Y；

其中，C为匝道信号控制方案的周期时长；G为匝道信号控制方案的绿灯时长；Y为匝道信号控制方案的黄灯时长。

通过融合传统检测设备获取的过车数据和互联网平台获取的速度数据以及天气数据，更为准确地反映快速路运行的真实状态，动态分析主线剩余允许通行能力，同时也充分考虑匝道排队对地面路口造成的潜在影响，合理平衡主线与匝道通行需求，对于缓解城市快速路拥堵，保障城市交通安全、通畅、有序，具有广阔的应用价值和重要的现实意义。

上述实施例对本发明的具体描述，只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限定，本领域的技术工程师根据上述发明的内容对本发明作出一些非本质的改进和调整均落入本发明的保护范围内。

Claims (8)

1.一种多源数据驱动的快速路入口匝道智能控制方法，其特征是，包括以下步骤：

S1、主线理想运行速度标定：选取来源于传统检测设备和互联网平台的历史数据进行融合分析，利用流量Q和速度V数据绘制Q—V散点图，得出不同天气场景下全天分时段的主线理想运行速度；

S2、短时交通流预测：利用短时交通流预测方法获取未来一定时间间隔内的主线和匝道位置的流量、速度数据；

S3、匝道信号灯开启/关闭判定：依据主线和匝道的运行状态和通行需求智能判定匝道信号灯状态；

S4、匝道允许汇入率调节：利用速度、流量数据的短时预测结果，实现主线、匝道未来运行状态的感知，合理平衡主线与匝道通行需求，不断迭代智能调节匝道允许汇入率；

所述S4包括以下步骤：

S41、匝道排队车辆数目推算；

其中，L_n和L_n-1为本周期、上周期匝道排队车辆数目；Q_n-1为上周期匝道过车流量；T_g为上周期匝道有效绿灯时间；h为匝道车头时距；

S42、匝道溢出风险系数计算；

其中，μ为本周期匝道溢出风险系数；L_n为本周期匝道排队车辆数目；T_g为上周期匝道有效绿灯时间；h为匝道车头时距；

S43、匝道汇入率调整量计算；

其中，Δr(t)为当前控制间隔内的匝道汇入率调整量；k₁和k₂为主线和匝道的调整系数；V为主线运行速度预测值；V_ideal为主线理想运行速度；μ为本周期匝道溢出风险系数；

S44、匝道允许汇入率计算；

r(t)＝r(t-1)+Δr(t)；

其中，r(t)为当前控制间隔内的匝道允许汇入率；r(t-1)为上一控制间隔内的匝道允许汇入率；Δr(t)为当前控制间隔内的匝道汇入率调整量；

S5、匝道信号控制方案生成：根据匝道允许汇入率的迭代调整智能计算匝道信号控制方案。

2.根据权利要求1所述的一种多源数据驱动的快速路入口匝道智能控制方法，其特征是，在S1中，所述的流量数据来源是传统的车辆检测设备数据，包括卡口、电子警察；所述的速度数据来源为互联网平台，包括城市交通大脑平台；天气数据来源是互联网平台，可以划分为包括晴天、阴天、雨天、雾天、雪天在内的场景；所述的主线理想运行速度的获取方法为当主线流量取最大极值时，对应的速度数值为主线理想运行速度。

3.根据权利要求1所述的一种多源数据驱动的快速路入口匝道智能控制方法，其特征是，S2中所述短时交通流预测的方法包括二次指数平滑法和自回归移动平均法；所述的未来一定时间间隔与匝道信号控制方案的更新频率相同。

4.根据权利要求1所述的一种多源数据驱动的快速路入口匝道智能控制方法，其特征是，S3中匝道信号灯开启的判定条件如下：

S31、匝道信号灯当前状态为“关闭”；

S32、主线运行速度预测值<主线理想运行速度×信号灯开启阈值速度，信号灯开启阈值速度默认为“0.8”；

S33、匝道周期流量预测值>信号灯开启阈值流量，信号灯开启阈值流量默认为“20”；

S3中匝道信号灯开启的判定条件如下：

S34、匝道信号灯当前状态为“开启”；

S35、主线运行速度预测值>主线理想运行速度×信号灯关闭阈值速度，信号灯关闭阈值速度默认为“1.1”；

S36、匝道信号灯控制方案连续三次绿信比＞信号灯关闭阈值绿信比，信号灯关闭阈值绿信比默认值为“0.7”。

5.根据权利要求1所述的一种多源数据驱动的快速路入口匝道智能控制方法，其特征是，所述S5包括以下步骤：

S51、匝道信号控制方案绿灯时长计算；

S52、匝道信号控制方案周期时长计算；

S53、匝道信号控制方案红灯时长计算。

6.根据权利要求5所述的一种多源数据驱动的快速路入口匝道智能控制方法，其特征是，S51 中计算公式为

G＝m×h；

其中，G为匝道信号控制方案的绿灯时长；m为匝道单周期允许通行车辆数；h为匝道车头时距。

7.根据权利要求5所述的一种多源数据驱动的快速路入口匝道智能控制方法，其特征是，S52计算公式为

其中，C为匝道信号控制方案的周期时长；m为匝道单周期允许通行车辆数，r(t)为当前控制间隔内的匝道允许汇入率。

8.根据权利要求5所述的一种多源数据驱动的快速路入口匝道智能控制方法，其特征是，S53计算公式为

R＝C-G-Y；

其中，C为匝道信号控制方案的周期时长；G为匝道信号控制方案的绿灯时长；Y为匝道信号控制方案的黄灯时长。

Images